Gemini Omni 1.2 Flash vs Qwen3.8-Omni-Flash: Słowo „Omni” pełni dwie funkcje

Według własnego opublikowanego szacunku Alibaby koszt odczytania godziny wideo 720p za pomocą Qwen3.8-Omni-Flash wynosi około dwudziestu centów. Cena katalogowa Google za godzinę wygenerowanego materiału 720p z Gemini Omni 1.2 Flash wynosi 252 USD. Oba modele nazywają się Omni. Oba przyjmują tekst, obraz, dźwięk i wideo. Jeden odczytuje materiał i odpowiada tekstem; drugi tworzy materiał i odpowiada plikiem. Różnica cen między nimi nie jest sygnałem konkurencyjnym, ponieważ nie konkurują — to koszt wytworzenia sekundy rzeczywistości w porównaniu z kosztem opisania jej.

Ma to znaczenie, ponieważ takie porównanie wykonuje się nieustannie i niemal zawsze z niewłaściwym modelem po stronie Google. Każdy krążący artykuł „Qwen Omni kontra Gemini” — w tym tabela benchmarków opublikowana przez samą Alibabę — porównuje Qwen3.8-Omni-Flash z Gemini 3.8 Flash, modelem tekstowym w cenie 0,75 USD za milion tokenów wejściowych. To właściwy rywal. Gemini Omni 1.2 Flash, ogólnie dostępny od 5 listopada 2026 r., to inny produkt rozliczany według innej stawki i nigdzie nie opublikowano bezpośredniego porównania obu tych modeli.

Czym tak naprawdę jest Qwen3.8-Omni-Flash

Zespół Qwen należący do Alibaby udostępnił go 18 września 2026 r. jako następcę Qwen3.5-Omni-Plus, zbudowanego na architekturze Qwen3.8-Flash-Next. Najpierw trzeba wyjaśnić modalność wyjściową, ponieważ nazwa sprzyja błędnemu założeniu: generuje tekst i tylko tekst. Nie generuje wideo, a w przeciwieństwie do poprzednika nie generuje też mowy. Wszystko, co „omni”, dotyczy w nim strony wejściowej.

Pod tym względem jest wyjątkowo zdolny. Okno kontekstu wynosi milion tokenów, z czego około 991 000 jest dostępne na dane wejściowe, a 131 000 na dane wyjściowe. Jedno wywołanie może obsłużyć godzinę ciągłego wideo. Obsługuje dwukanałowe stereo i czterokanałowe audio przestrzenne, dzięki czemu Qwen zdobywa swój sztandarowy popisowy trik — lokalizowanie źródła dźwięku w pomieszczeniu i wskazywanie go, czyli zdolność, na którą czekały zespoły robotyki lub analityki spotkań. Rozpoznawanie mowy obejmuje 74 języki oraz 39 chińskich dialektów; synteza mowy obejmuje 29 języków w modelach siostrzanych. Istnieje wariant czasu rzeczywistego Qwen3.8-Omni-Flash-Realtime, który działa przez WebSocket lub WebRTC, z syntezą mowy na wyjściu i 56 głosami przy kontekście 192K.

Cennik jest agresywny: $0.15 za milion tokenów wejściowych, $0.47 za milion tokenów wyjściowych i $0.016 za milion tokenów wejściowych z pamięci podręcznej. Wagi są zamknięte. Jest dostępny wyłącznie przez API, za pośrednictwem Alibaba Cloud Model Studio i własnych punktów końcowych Qwen, zgodny z OpenAI, w sześciu regionach.

Czym właściwie jest Gemini Omni 1.2 Flash

Model Google'a działa w odwrotnym kierunku. Na wejściu tekst, obrazy, audio i wideo; na wyjściu od trzech do piętnastu sekund wideo z zsynchronizowanym dźwiękiem, w jednosekundowych przyrostach, w proporcjach 16:9 lub 9:16. Możesz tworzyć wersje robocze w 360p lub 720p i skalować je do 1080p lub 4K. Żądanie może zawierać do sześciu obrazów referencyjnych, klip ruchomy o długości do trzech sekund oraz wskazówki audio, a edycja wieloturowa pozwala podmienić produkt, zmienić pogodę lub zmienić kadr bez ponownego generowania całości. Rozszerzanie dodaje od trzech do dziesięciu sekund na turę, aż do limitu 30 sekund. Wszystko jest oznaczone znakiem wodnym SynthID.

Wydanie 1.2 to obniżka ceny w takim samym stopniu jak wydanie nowych możliwości: koszt generowania wideo spadł z 17,50 USD do 12,00 USD za milion tokenów, czyli około 0,07 USD za sekundę materiału 720p — spadek o 30%. Wejście tekstowe pozostaje na poziomie 1,50 USD za milion, a wyjście tekstowe na poziomie 9,00 USD za milion. Limity szybkości dla płatnego planu podwojono tego samego dnia. Google nie opublikował przy okazji wydania żadnych wyników testów porównawczych — jedynie jakościowe twierdzenia o zgodności z materiałem referencyjnym, synchronizacji ruchu warg i ciągłości ujęć kamery.

Trzy pułapki kosztowe, które ujawniają się dopiero wtedy, gdy uruchomisz oba

Budżet rozumowania jest rozliczany jako dane wyjściowe. Qwen3.8-Omni-Flash domyślnie ustawia tryb myślenia na „xhigh”, z budżetem rozumowania wynoszącym do 262 000 tokenów, który jest naliczany według stawki za dane wyjściowe. Pojedyncze żądanie, które intensywnie myśli o długim filmie, może kosztować około 0,123 USD tylko na rozumowanie — to ponad sześćset razy więcej, niż sugeruje szacunek odczytu wideo, i powód, dla którego niektóre zespoły zgłaszają, że model jest drogi, gdy ich rzeczywisty wolumen materiałów filmowych jest znikomy. Ogranicz budżet myślenia, zanim wykonasz jakiekolwiek testy porównawcze.

Stawka za godzinę wideo jest szacunkiem dostawcy. Alibaba nie publikuje stawki tokenów na sekundę dla przyjmowania wideo, więc liczby „dwadzieścia centów za godzinę” nie można niezależnie wyprowadzić z cennika. Stawki $0.15/$0.47 można zweryfikować; przeliczenie na godzinę to arytmetyka Qwen, a jedna opublikowana analiza już oznaczyła twierdzenie o 98% taniej niż Gemini jako niezweryfikowalne właśnie z tego powodu.

Koszt renderowania mnoży się przez liczbę ujęć, a nie przez liczbę gotowych materiałów. Piętnastosekundowy klip kosztuje 1,05 USD. Sześć skróconych wersji to 6,30 USD — ale nikomu nie udaje się uzyskać sześciu na sześć za pierwszym podejściem. Przy trzech próbach na każdą udaną wersję te same sześć skrótów kosztuje 18,90 USD i to właśnie ta liczba trafia do budżetu. Google ogranicza też zszywaną sekwencję do 30 sekund, więc wszystko, co dłuższe, wymaga drugiego przebiegu generowania, a nie jest przedłużeniem.

Przykładowy pipeline: trzydzieści minut na wejściu, sześć klipów na wyjściu

To tutaj oba modele zasługują na swoje miejsce i tutaj rozkład kosztów jest nieintuicyjny.

Przeczytaj materiał źródłowy.Qwen3.8-Omni-Flash bierze 30-minutowe wideo źródłowe i zwraca transkrypcję z podziałem na wypowiedzi mówców, tekstem na ekranie, listą ujęć z kodami czasowymi oraz krótką listą momentów, w których ktoś mówi coś cytowalnego. Według szacunków Alibaby to około dziesięciu centów za dane wejściowe. Dodaj etap rozumowania, aby wybrać sześć najlepszych momentów, a nadal zmieścisz się w ćwierćdolarówce — o ile budżet ma limit.

Wyrenderuj wersje skrócone.Sześć piętnastosekundowych klipów z Gemini Omni 1.2 Flash, po trzy ujęcia na klip: 18,90 USD. Obrazy referencyjne produktu zapewniają spójność opakowania we wszystkich sześciu; wskazówki audio zapewniają zrozumiałość dialogów; edycja wieloturnowa poprawia dwa klipy, które odbiegają od reszty.

Odczytaj ponownie wyniki. Sześć gotowych klipów wraca do Qwen3.8-Omni-Flash, aby potwierdzić, że tekst na ekranie jest czytelny, dialog zgadza się ze scenariuszem, a nikomu nie przesunął się lip-sync ani o jedną klatkę. Sześć klipów to dziewięćdziesiąt sekund wideo. Koszt odczytu jest znikomy; to właśnie sprawdzanie sprawia, że rachunek za renderowanie jest uzasadniony.

Wzorzec jest ogólny: w przypadku tej pary analiza jest tania, a generowanie drogie — o dwa do trzech rzędów wielkości. Zespoły, które planują budżet na odwrotność — zakładając, że to model „inteligentny” musi być kosztowny — za każdym razem przydzielają zbyt mało zasobów ścieżce renderowania, a zbyt dużo ścieżce odczytu.

Rekord benchmarku i czyje to liczby

Wszystko, co opublikowano na temat Qwen3.8-Omni-Flash, pochodzi z jednego źródła: z własnej ewaluacji Alibaby, udostępnionej jako artykuł na arXiv 22 września 2026 r. W starciu z Gemini 3.8 Flash wygrywa WildClawBench-MM 71,0 do 58,9, SpotSoundBench 67,2 do 39,7 oraz diaryzację spotkań z ogromną przewagą — wskaźnik błędu diaryzacji 3,35 wobec 72,6. Przegrywa OmniVideoBench 63,4 do 65,2 i AgenticVBench 36,8 do 45,0. Żadnego z tych wyników nie odtworzono niezależnie i żaden z nich nie dotyczy Gemini Omni 1.2 Flash, który w ogóle nie wczytuje wideo do okna kontekstowego.

Po stronie Google'a bilans jest bardziej pusty. Ogłoszenie Gemini Omni 1.2 Flash nie zawiera żadnych liczb — ani Elo, ani wskaźnika wygranych, ani zestawu benchmarków. Porównania są jakościowe: lepsze dopasowanie referencji niż w 1.1, płynniejszy dialog, wyraźniejsza synchronizacja ust, mniej skoków montażowych. Wydania NVIDIA i Alibaba przynajmniej przychodzą z tabelami; Google przychodzi z przymiotnikami.

Uczciwe stanowisko w kwestii „który jest lepszy” jest więc takie, że to pytanie nie ma odpowiedzi opartej na pomiarach i nie będzie jej miało, dopóki ktoś nie uruchomi obu rozwiązań na tym samym zadaniu. Z pewnością można powiedzieć coś węższego i bardziej użytecznego: wyniki Qwena zostały uzyskane w porównaniu z modelem generującym tekst przy jednej piątej ceny wejściowej i nie przeniosą się na generator wideo, ponieważ oba systemy są oceniane za pomocą zupełnie innych instrumentów pomiarowych.

Gdzie obaj dostawcy naprawdę się pokrywają

Nie chodzi o model. Chodzi o umowę korporacyjną. Oba są zamknięte, oba działają wyłącznie przez API, oba są ograniczone regionalnie w istotny sposób — Alibaba obsługuje Pekin, Singapur, Hongkong, Tokio, Frankfurt i Wirginię; funkcje edycji przesłanego wideo w Google są niedostępne w częściach Europy. Firma medialna wybierająca dostawcę wybiera umowę o przetwarzaniu danych i jurysdykcję w takim samym stopniu jak możliwości.

Warto również zauważyć, czego nie zrobi żaden z nich. Qwen3.8-Omni-Flash nie potrafi wygenerować klatki, a Google Omni 1.2 Flash nie potrafi odpowiedzieć na pytanie dotyczące dziesięciominutowego klipu. Każdy, kto konsoliduje się u jednego dostawcy, aby ograniczyć koszty zakupów, przekona się, że konsolidacja kosztuje go pewną funkcję — niezależnie od tego, w którą stronę konsoliduje. Nota migracyjna od Google zwraca uwagę na to samo z drugiej strony: od 3 grudnia 2026 r. żądania kierowane do gemini-omni-1.1-flash są obsługiwane przez wersję 1.2 w cenach 1.2, bez zmian w kodzie — co przypomina, że zamknięte punkty końcowe zmieniają się według harmonogramu dostawcy, a nie Twojego.

Co obejmuje OrcaRouter, a czego nie obejmuje

Żaden z tych dwóch modeli nie jest dostępny na OrcaRouter i ten tekst nie będzie udawał, że jest inaczej. Na platformie jest natomiast pokrewna możliwość zbudowania powyższego pipeline’u bez drugiej i trzeciej umowy.

Stronę odczytu obsługuje Qwen3.8 Flash: na wejściu tekst, obraz i wideo, na wyjściu tekst, kontekst jednego miliona tokenów, analiza długich filmów, rozliczany po $0,15 za milion tokenów wejściowych i $0,47 za milion tokenów wyjściowych — ta sama cena i ten sam profil co w wariancie Omni, bez funkcji dźwięku przestrzennego. Stronę renderowania obsługuje Kling 3.0 Omni za $0,084 za żądanie w przypadku text-to-video i image-to-video z klipami trwającymi 3–15 sekund. Oba rozwiązania działają za jednym kluczem, co oznacza, że fan-out wysyłający ten sam materiał do modułu odczytu i modułu zapisu jest regułą routingu, a nie projektem integracyjnym; automatyczne przełączanie awaryjne sprawia, że chwilowa awaria dostawcy nie zatrzymuje kampanii w trakcie renderowania; a 0% marży to bezpośrednie przeniesienie ceny katalogowej dostawcy, więc gdy dostawca zmieni stawkę, liczba po naszej stronie zmieni się razem z nią.

Jak zdecydować w ciągu najbliższych dziesięciu minut

Jeśli Twój problem polega na tym, że masz materiał wideo i nie potrafisz go przeszukać, dodać do niego napisów ani znaleźć momentu, w którym prezenter wspomina cenę — postaw na Qwen. Najpierw ogranicz budżet myślenia i zmierz rzeczywisty wskaźnik wczytywania, zamiast ufać szacunkowi na godzinę.

Jeśli twój problem polega na tym, że masz zdjęcie produktu i termin, a nie masz ekipy kamerowej, kup rozwiązanie Google i zaplanuj trzy ujęcia na każde udane zamiast jednego.

Jeśli masz oba te problemy, co w praktyce dotyczy większości zespołów, przestań szukać zwycięzcy. Dwa modele wymienione w pierwszym akapicie tego artykułu nigdy nie pojawią się w tej samej tabeli benchmarków, ponieważ jeden z nich tworzy plik, a drugi — akapit o tym pliku. Jedyną liczbą, która je łączy, jest ta, której nikt nie publikuje: ile godzin wideo Twoja organizacja przegląda na każdą godzinę, którą produkuje.